KI kann in Sekundenschnelle Code generieren. Einen Fehler zu finden und zu beheben, der sich durch ein gesamtes Softwareprojekt zieht, ist eine deutlich größere Aufgabe.
Google hat am 18. Nov. Gemini 4 Neon vorgestellt – ein neues KI-Modell, das laut Google anspruchsvolle Programmieraufgaben zu einem niedrigeren Standardpreis als die größeren Systeme bewältigen kann. Entwicklern und Unternehmen steht damit eine weitere Option zur Verfügung, um komplexe Softwareprobleme zu lösen, ohne Spitzenpreise zu zahlen.
Da Coding-Assistenten längere Aufgaben übernehmen, haben Engineering-Teams mehr Anlass zu prüfen, wie erfolgreich diese Tools ihre Arbeit erledigen und wie viel die einzelnen Aufgaben kosten.
Fehler in gesamten Softwareprojekten untersuchen
Neon kann Code untersuchen, der sich über mehrere Dateien erstreckt, und Fehler durch verschiedene Teile einer Anwendung zurückverfolgen. Ein Entwickler könnte das Modell bitten, zu untersuchen, warum eine Funktion nach einem Update nicht mehr funktioniert, ohne zuvor die fehlerhafte Datei identifizieren zu müssen.
Über Googles Antigravity-Entwicklungsumgebung, kann das Modell Coding-Tools nutzen, um umfangreichere Aufgaben auszuführen. In einer Demonstration erstellte es von Grund auf einen spielbaren Skisimulator.
In einem separaten Test behob Neon bei der Arbeit mit Antigravity 39 % der Softwarefehler, verglichen mit 12,8 % bei einer einfacheren Konfiguration. Agenten mussten die Probleme selbst lokalisieren, bevor sie Reparaturversuche unternahmen. Die fortschrittlichere Entwicklungsumgebung trug dabei zur höheren Erfolgsquote bei.
Googles Model Card positioniert Neon außerdem bei zwei Coding-Evaluierungen nahe an Anthropics größerem Claude Opus 5.5.
Coding-Test | Was gemessen wird | Gemini 4 Neon | Claude Opus 5.5 |
Terminal-Bench 4.1 | Ausführung von Programmier- und Systemaufgaben über Computerbefehle | 65.2% | 65.8% |
FrontierCode 2.0 | Erstellung von Codeänderungen, die den Anforderungen realer Softwareprojekte entsprechen | 46.2% | 47.3% |
Preise und Zugang für Entwickler
Google hat Neon bepreist mit 3 US-Dollar pro Million Eingabe-Token und 15 US-Dollar pro Million Ausgabe-Token; für zwischengespeicherte Eingaben sind Rabatte verfügbar.
Die regulären Preise des KI-Modells sind niedriger als die von Gemini 4 Carbon, dem größeren Modell des Unternehmens. Eine zeitlich begrenzte Aktion macht Carbon derzeit pro Token günstiger als Neon und läuft bis zum 30. Nov.; am 1. Dez. soll wieder der Standardpreis gelten.
Ein Kontextfenster von einer Million Token ermöglicht es dem neuen System, in einer einzigen Anfrage große Mengen an Quellcode und ergänzenden Dokumenten zu verarbeiten. Vier Einstellungen für die Schlussfolgerung – von niedrig bis extrem hoch – lassen Entwickler festlegen, wie viel Rechenaufwand sie einer Aufgabe widmen möchten.
Der Zugang wird über die Gemini API und Google AI Studio sowie über Android Studio und Gemini für Unternehmen bereitgestellt. Berechtigte Abonnenten von Google AI Pro und Ultra können Neon je nach Dienst außerdem über Antigravity und die Gemini-App nutzen.
Was eWeek herausfand: Mehr Ausgaben für Neons Schlussfolgerungen verbessern die Ergebnisse nicht immer
Obwohl Google Neon als kostengünstigere Option für anspruchsvolle KI-Aufgaben bewirbt, kann sich der von den Entwicklern gewählte Rechenaufwand erheblich auf die Endabrechnung auswirken.
eWeek analysierte unabhängige Tests von Artificial Analysis und berechnete, dass die Verwendung der extrem hohen Schlussfolgerungsstufe die durchschnittlichen Kosten um etwa 72 % und die Ausführungszeiten um 45 % erhöhte, obwohl sich der allgemeine Intelligenzwert nur um einen Punkt verbesserte.
Messwert von Artificial Analysis | Hohe Schlussfolgerungsstufe | Extrem hohe Schlussfolgerungsstufe |
Allgemeiner Intelligenzwert | 60 | 61 |
Durchschnittliche Kosten pro Benchmark-Aufgabe | $3.74 | $6.44 |
Durchschnittliche Dauer pro Benchmark-Aufgabe | 14,8 Minuten | 21,5 Minuten |
Ergebnis des Tests mit professionellen Dokumenten | 33.4% | 28.0% |
Die Zahlen stammen aus standardisierten Evaluierungen von Artificial Analysis. Kosten und Ausführungszeit beziehen sich auf die dort verwendeten Benchmark-Workloads.
Unsere Untersuchung ermittelte außerdem einen Fall, in dem zusätzlicher Rechenaufwand schlechtere Ergebnisse lieferte. Bei der GDP.pdf-Evaluierung für Aufgaben mit professionellen Dokumenten erzielte Neon bei hoher Schlussfolgerungsstufe 33,4 %, fiel bei extrem hoher Stufe jedoch auf 28,0 % – ein Rückgang um 5,4 Prozentpunkte. Ein höherer Rechenaufwand führte bei dieser Bewertung somit zu einem niedrigeren Ergebnis.
Entwickler und Engineering-Teams in Unternehmen sollten die Einstellungen für Schlussfolgerungen anhand von Aufgaben vergleichen, die ihre Projekte repräsentieren, bevor sie eine Standardeinstellung auswählen. Ein Ansatz besteht darin, dieselbe Sammlung von Softwarefehlern mit beiden Konfigurationen zu bearbeiten und dabei Tools und Abnahmekriterien identisch zu halten.
Anschließend können Teams messen, wie viele Reparaturen automatisierte Tests und eine menschliche Prüfung bestehen, und dies den Gesamtausgaben pro akzeptierter Fehlerbehebung gegenüberstellen.
Bevor Engineering-Teams standardmäßig die extrem hohe Schlussfolgerungsstufe verwenden, sollten sie beide Einstellungen an einer repräsentativen Stichprobe ihrer eigenen Fehler testen – mit identischen Tools und Abnahmekriterien, um akzeptierte Fehlerbehebungen den gesamten Token-Ausgaben gegenüberzustellen.
Während maximale Schlussfolgerungen bei ungewöhnlich schwierigen Problemen von Vorteil sind, hängt Neons beworbene Erschwinglichkeit letztlich davon ab, den zusätzlichen Rechenaufwand für die Aufgaben aufzusparen, die ihn wirklich benötigen.
KI-Coding-Assistenten werden günstiger und leistungsfähiger und eröffnen Entwicklern neue Möglichkeiten, Fehler und alltägliche Programmieraufgaben zu bewältigen. Möchten Sie selbst besser mit KI arbeiten? Unser kostenloser sechminütiger Mit KI sprechen-Kurs zeigt einfache Möglichkeiten für bessere Prompts und bietet sieben Tage kostenlosen Zugang zu weiteren Lektionen. Kurse der The Neuron Academy.


